机器人 / SLAM / 控制 / AI Coding 技术深度简报｜2026-10-21

摘要

检索基准：2026-10-21 08:58（Asia/Shanghai）。 2026-10-20 的 arXiv Robotics 最新公开批次有 160 个列表条目，Software Engineering 有 42 个列表条目；条目数包含交叉收录和更新版本，不等于新投稿总数。优先检查最近 24 小时，再扩展 7 天；与截至 10 月 20 日的 1,053 条已覆盖记录进行 arXiv ID、标题、项目页、代码仓库联合去重。以下有 8 条此前未收录的主动态、3 条一手 AI Coding 实操、1 篇经典论文回顾。10 月 18 日提交的两项工作标注为时间回补。

今日技术主线是可信约束的分层。 CAOS-SLAM 通过按需识别、跟踪未知动态物体改善视觉定位；轮足 LiDAR–Inertial 方法学习不同车轮和运动方向的协方差，结合激光退化投影，在严重走廊退化实验中将终点误差从 7.531 m 降到 0.198 m。CoopUQ 将多机器人预测的未来占据和不确定性一起交给导航；Harpy 的 QP-MPC 以 500 Hz 联合控制推力与地面反作用力。CusADi2 让 GPU 同时利用批间、批内并行降低运动学/Jacobian/Hessian 的在线延迟。AeroDASH 通过连续 B-spline 拼接解决 UAV VLA 推理期间的运动连续性。

AI Coding 的两项一手研究提醒开发者：SWE-Residual 发现 Agent 接手前人留下的错误半成品时成功率显著下降；PACE 则指出修完单个组件并不意味着完整交付包含集成条件的 PRD。今日可直接尝试的工具侧技巧包括 GitHub npm Package Firewall 预览、Dependabot 告警版本字段和 Branch Protection 批量迁移 Rulesets。经典回顾选 IJRR 2010 的 OC-EKF/FEJ 一致性论文，与退化方向的虚假信息增益问题形成呼应。

性能数据均为论文作者在特定实验条件下的结果，不能直接外推到 RK3588、Jetson 或特定机器狗；“软件项目仓库存在”与“所有权重和数据完整可复现”亦须区分。

原始入口：arXiv Robotics · arXiv Software Engineering。

1. CAOS-SLAM：让未知动态物体进入对象级跟踪，而不只是靠语义黑名单

公开时间：arXiv v1 2026-10-19 16:00 UTC（最近 24 小时）。

为什么重要

传统动态视觉 SLAM 经常预设“人、车”等类别，或者每帧运行昂贵的语义分割。但机器人会遇到未知移动物体，例如搬运推车、机械设备和临时遮挡物。其特征如果进入 ORB-SLAM3 估计器，可能污染相机位姿和静态地图。CAOS-SLAM 将目标发现、跨帧关联、运动判断和特征过滤分层，且不是所有帧都运行重型分割。

算法模块与传感器假设

RGB-D + ORB-SLAM3
    ↓
按需 Panoptic Segmentation → 已知对象
    + 深度聚类 → 未分类对象候选
    ↓
轻量检测 / 世界系 Kalman 预测 / 深度一致性 / 外观关联
    ↓
对象轨迹与运动估计
    ↓
只剔除确实动态的特征
    ↓
静态几何定位与地图

它依赖 RGB-D 几何、可靠的对象关联和位姿变换。语义类别不是动态性的证明；未知静止物体不应一概删除，已知类别的临时静止对象也需按运动证据判断。遮挡和身份交换是主要风险。

实时性、鲁棒性与可复现性

作者报告：在未知动态物体场景，定位误差最高降低 59%；重遮挡场景最高降低 88%；笔记本上中位处理率 30 FPS。这两项百分比是各自场景下的最大改善，非统一保证。论文称代码与数据待接收后发布，不能标记为完整开源。

适合谁关注与工程落地启发

适合 RGB-D 巡检、室内人机共域导航、ORB-SLAM3。固定一组含人和移动推车的 bag，比较无过滤、语义过滤和跨帧运动过滤的静态有效点数、动态漏删率、误删率、ATE 与跟踪完整性。特别防止低纹理环境因为误删而无法继续定位。对象轨迹可共享给规划器，但要保留独立置信度。

来源：CAOS-SLAM 论文。

2. 学习车轮运动不确定性的退化感知 LIO：不要给每个轮速相同权重

公开时间：arXiv v1 2026-10-19 15:12 UTC（最近 24 小时）。

为什么重要

长走廊等场景中 LiDAR 缺少某些方向的几何约束，轮足机器人可以借助轮运动学；然而轮胎打滑、失去接触和滚动方向变化，使轮观测不能使用固定协方差。该方法保留解析滚动预测，只让网络估计逐轮、逐方向的过程协方差，再利用 Degeneracy-Aware Projection（DAP）抑制激光弱可观测方向的不可靠约束。

算法模块与动力学假设

LiDAR + IMU + Wheel Joints / Contact History
         ↓
解析车轮滚动模型 + Moving Wheel-Center States
         +
CovNet：逐轮、逐方向协方差
         ↓
紧耦合状态滤波
         ↑
LiDAR 几何退化方向分析 + DAP
         ↓
位姿 / 速度 / 协方差

CovNet 用仿真速度监督和可微滤波训练，无需真机微调。网络不直接替代物理里程计，而是评估运动学测量可信度。轮半径、外参、时间同步、关节状态等前提仍须成立。

实验、实时性、鲁棒性

在退化比例最高的 6 条室内房间序列上，相对 FAST-LIO2 平均位置 RMSE 降低 66.2%，相比固定协方差版本 降低 31.0%；严重退化走廊终点误差 0.198 m，FAST-LIO2 为 7.531 m。终点误差不能等同全程 ATE。论文尚未报告可外推到任意平台的统一实时频率，代码与数据处于计划公开状态。

适合谁关注与工程落地启发

适合轮足底盘、双 MID360、多雷达退化走廊。首轮不要立即修改滤波器：将 CovNet 作为只读旁路，记录每轮协方差、轮速创新量、LiDAR 信息矩阵弱方向、真实打滑证据，确认网络在地面打滑时降低轮测量信任，而不是让弱约束过度自信。

来源：原论文 · 作者项目页。

3. CoopUQ：多机器人交换未来占据的不确定性，而不是只交换目标框

公开时间：arXiv v1 2026-10-19 17:59 UTC（最近 24 小时）；CoRL 2026。

为什么重要

在人群遮挡场景，一台机器人看不到的人可能出现在另一台机器人视野内。即使共享当前检测框，未来几秒的人群运动也可能多解。CoopUQ 从跨机器人时空特征融合中预测未来占据栅格及其不确定性，用约束多智能体强化学习让机器人同时规避预计被占据和预测高度不确定的区域。

算法模块与假设

各机器人局部历史观测 / 相对位姿
             ↓
跨机器人时空特征融合
             ↓
未来 Occupancy Grid + Uncertainty
             ↓
Constrained Multi-Agent RL
             ↓
风险敏感的局部决策与执行

必须检查时钟同步、坐标对齐、消息年龄和定位协方差。预测网络的“不确定性”不是经过认证的碰撞概率；分布外人群突然奔跑时，独立近场避障仍须拥有更高优先级。

实验结果与可复现性

作者在 Unity3D 的多种布局、人群密度、遮挡与分布外奔跑行为中，相对代表性基线报告更好的预测和安全表现，并展示真机实验。摘要没有足以跨平台复用的统一 FPS 和碰撞率，不能补造。项目页已公布代码和视频入口，真正复现仍需要核验具体数据、训练和模型依赖。

适合谁关注与工程落地启发

适合多台巡检机器人在狭窄公共区域协作。建议先共享带时间戳的未来占据栅格与不确定性，固定当前局部规划器，对比单机感知与协作感知的最小障碍间距、过期消息率和预测校准误差，再决定是否训练 MARL。

来源：CoopUQ · 官方项目。

4. Harpy：500 Hz QP-MPC 同时优化地面反作用力和主动推力

公开时间：arXiv v1 2026-10-19 17:50 UTC（最近 24 小时）；IROS 2026。

为什么重要

双足行走的可行力依赖足底摩擦和接触模式。Harpy 通过额外推力器调节载荷与身体动力学。该工作不是把推力作为随意的补偿项，而是将地面反作用力（GRF）和推力矢量一起放进可实时计算的压缩 QP-MPC。

算法模块、动力学假设

速度与步态参考
      ↓
Thrust-assisted Spring-Loaded Inverted Pendulum
      ↓
Sagittal Condensed QP-MPC：GRF / 摩擦锥 / 推力分配
      +
Frontal Cascade Orientation Stabilization
      ↓
Harpy 机身、足端与推力器

论文在 Harpy 硬件上以 500 Hz 控制，QP 求解时间约 0.18 ms，低于 2 ms 周期预算。静止和 0.1 m/s 的参考速度下，均值速度能够跟踪参考，腿部轨迹误差在约 1° 内。注意 0.18 ms 是 QP 求解时长，不是传感器到执行器的总响应时间；推力迟滞、输入饱和和摩擦锥模型偏差均可能产生失效。

可复现性、工程风险与适合谁

未确认完整可直接运行的官方软件工程。适合多模态运动、足式+飞行混合机器人和力分配 MPC。建议在仿真中固定步态，对比无推力、固定推力与联合 QP 的 GRF 约束违例、能耗、输入饱和、完整闭环 P99；真机须额外验证推力失效和电机故障回退。

来源：Harpy QP-MPC。

5. CusADi2：在线 GPU MPC 更需要低延迟的成批 Jacobian/Hessian，而不只是最高吞吐

时间回补：arXiv v1 2026-10-18 19:03 UTC。

为什么重要

MPPI 或二阶轨迹优化每轮需要计算大量前向运动学、Jacobian、Hessian。传统 GPU 方法主要让不同候选批次并行；在线控制真正关心一个小批次的墙钟完成时间。CusADi2 在每个批次实例内部进一步并行，优化控制器常见的中小批量求值。

算法模块与计算假设

Robot Model
    ↓
64–4096 Candidate States / Time Steps
    ↓
GPU Batch Parallel + Within-instance Parallel
    ↓
FK / Jacobian / Hessian
    ↓
Sampling MPC or Gradient-based Optimization

作者对 MuJoCo Menagerie 的 67 个机器人评估，比较 MuJoCo XLA、MuJoCo Warp、frax、CusADi、CasADi 等，报告在 batch 64–4096 时延迟优于所选全部基线，大批量时接近。这不是“所有硬件固定快几倍”，论文摘要也没有给出这样可普适的数字。

开源、鲁棒性和落地

官方代码已公开。复现时应报告 CPU-GPU 传输、Kernel Launch、实际求值和整个 MPC 求解 P50/P95/P99；同时对比浮点精度与数值梯度校验。该实现以 GPU 为目标，不能直接假设 RK3588 RKNN NPU 支持相同计算路径。

适合谁关注

适合 GPU MPPI、全身 IK、非线性轨迹优化、需要连续批量几何导数的控制器。工程上建议先替换计算后端而不改变求解器，从而区分数学收益和硬件实现收益。

来源：CusADi2 论文 · 官方 GitHub。

6. AeroDASH：无人机 VLA 要丢弃过期预测并连续拼接新轨迹

时间回补：arXiv v1 2026-10-18 17:05 UTC。

为什么重要

VLA 推理时无人机仍持续移动。如果根据几百毫秒前画面生成的整个动作块直接执行，起始部分可能已经过期。直接拼接 Waypoints 又会引起速度和加速度不连续。AeroDASH 使用B-spline 位置/yaw 轨迹，新推理完成后丢弃已过期前缀，在导数连续与变形限制下融合剩余轨迹。

模块、动力学与时间语义

Vision + Language → VLA B-spline Reference
                ↓
Current Time / Active Trajectory
                ↓
Discard Expired Prefix
                ↓
Derivative-continuous Trajectory Fusion
                ↓
High-frequency Flight Control
                ↑
Execution-aware GRPO 训练

作者通过执行感知 GRPO 降低异步预测与实际控制偏差。它不是让语言模型替代姿态控制器。实现须显式记录相机采集、模型开始和结束、轨迹目标执行时刻；若预测全部过期，应拒绝并进入独立悬停/保守模式。

结果、风险与复现

UAV-Flow 测试成功率 76.56%，较 OpenVLA-UAV 与无 GRPO 的 AeroDASH 分别高 38.1、20.1 个百分点。执行实验中推理期间持续飞行，且加速度、jerk、速度波动优于异步 waypoint 跟踪。作者称代码将在接收后公开，现阶段不能认定为完整可运行实现。

适合谁关注与工程落地启发

适合 PX4、走廊 UAV、异步 Action Chunk。建议先独立实现 Trajectory Manager：新轨迹版本、过期区间删除、连续拼接、安全净空复核，保持底层飞控不变；然后再决定是否接入 VLA。

来源：AeroDASH 论文。

7. SWE-Residual：Agent 接手“已修改但没修好”的工作树时会产生接受偏差

公开时间：arXiv v1 2026-10-19 UTC（最近 24 小时）。

突破性工程价值

传统 Coding Agent Benchmark 通常从干净仓库开始。真实开发却常常接手人类或另一 Agent 声称“已完成”的工作树，但隐藏行为仍错误。SWE-Residual 只改变 Agent 的起始状态，其余任务描述与隐藏验收保持不变，测量是否仍能独立理解原需求。

实验设计、结果与解释

Benchmark 包含 111 个任务的 198 个 Residual State，来自 DeepSWE 和 Terminal-Bench，前任 Agent 已提交其认为完成的修改，但实际隐藏测试没有全过。接手模型看不到前任轨迹，也不知道该状态是失败产物。

五个前沿 Agent 的成功率相对 Clean Start：DeepSWE 下降 20.6–53.5 个百分点；Terminal-Bench 下降 20.6–34.9 个百分点。在 DeepSWE 失败的接手实验中，58.9%–88.2% 保留了与接手时完全相同的失败测试。作者称之为 Acceptance Bias：模型将已有实现当作事实，而不是重新核对需求。

研发流程、权限与验证风险

“拒绝相信已有代码”不等于允许 Agent 自动丢弃开发者工作。应当保留当前 Diff，在隔离 Worktree 中独立运行测试、审视需求和行为不变量，再决定最小修改。不要让接手者修改其自身验收规则。多 Agent 并行需要清楚的文件所有权和集成步骤。

适合谁关注与工程落地启发

适合 Codex/Claude Code 长任务、跨会话恢复、大仓 Agent 接力。一个直接可用的 A/B 是为同一 Issue 构造 Clean Start 和部分错误补丁起点，保持预算一致，测量真实修复率、错误前提保留次数及每成功任务成本。

来源：SWE-Residual 论文。

8. PACE：单文件修复分数高，不意味着真实 PRD 已完整交付

公开时间：arXiv v1 2026-10-19 13:39 UTC（最近 24 小时）。

突破性工程价值

PRD 驱动开发经常跨 API、数据库、UI、权限、配置和部署。Agent 写出了接口与类，并不代表这些模块协同工作。PACE 使用经过专家审核的需求 Code Points 和行为证据来评价完整交付，而非仅看一个 Patch 能否通过局部测试。

评测规模和主要结果

研究覆盖 43 项成熟企业仓库任务、750 个专家审阅 Code Point、11 种模型—Harness 组合。多数评分在 52.1–78.1，最佳受测配置的完整交付率只有 14.0%；评分与专家共识一致率 95.2%。最典型的失败是各组件分别存在，但集成遗漏或不符合完整需求。在同一模型和任务集上，定向调整 Harness 后，平均得分从 59.4 到 63.0。

这些是作者定义的任务和评分体系，不能直接外推为所有软件项目的真实完成率。

真实研发、权限和落地

适合 Spring Boot 多模块、ROS2、C++ 和 Web 管理端。最小落地不是增加大量验收文档，而是从 PRD 提取 8–15 条真正可执行的行为契约：正向流程、错误分支、跨服务接口、配置生效、权限边界。Agent 可以写代码，但不能任意降低独立测试条件；最终报告应列出尚未验证的集成点。

可复现性

官方 PACE-Bench 仓库已公开。可以选一个已有三模块业务需求，独立复核“单测都通过”与“真实需求完全可用”之间的落差。

来源：PACE 论文 · 开源项目。

AI Coding 实战技巧精选

技巧 1｜让 Agent 的 npm 安装先走 Package Firewall

来源： GitHub，2026-10-20，正式公告与官方配置文档。

一句话结论： 企业预览版可在 Agent/CI 安装 npm 依赖前检查恶意软件、已知漏洞、新增安装脚本、Attestation 降级和最小包龄期。

具体怎么做：

Enterprise Cloud 管理员打开 Policies → Package firewall，在沙盒环境设置规则；官方默认包龄期为 1 天。

为隔离的测试 Runner 配置用户级 npmrc：

registry=https://package-firewall.githubapp.com/npm/enterprises/ENTERPRISE
//package-firewall.githubapp.com/npm/enterprises/ENTERPRISE/:_authToken=YOUR_TOKEN_FROM_ENV

将 ENTERPRISE 替换为企业标识，实际访问令牌由 CI Secret/环境变量注入，不可提交到 Git。

执行 npm ci，验证安装、拦截和例外审批，同时检查是否存在绕过防火墙直连公共 registry 的路径。

适合什么场景： 企业 Coding Agent、Actions Runner、npm 自动安装。注意： 当前仅支持 npm、Enterprise Cloud 公开预览；预览期免费、正式版可能按用量收费。不是所有个人仓库均可用。

技巧 2｜Dependabot Alert 直接传入已记录的依赖版本

来源： GitHub，2026-10-20，原始公告。

一句话结论： REST 告警中的 dependency.version_requirement 让修复 Agent 无需重复解析锁文件，就能获得 GitHub 最后记录的依赖版本或版本范围。

具体怎么做：

对已有权限的测试仓库执行：

gh api repos/OWNER/REPO/dependabot/alerts \
  --jq '.[] | {number, name: .dependency.package.name, version: .dependency.version_requirement, state}'

将 version_requirement 与 Advisory 的 vulnerable version range 分开交给修复 Agent；让 Agent 明确升级的目标约束。
如果字段为 null、长约束被截断或一条告警覆盖多个版本，回退到锁文件和实际构建解析结果，不能凭该字段声称所有依赖已修复。

适合什么场景： Dependabot 自动修复、Agent 安全升级与报告。注意： 无 Lockfile 时可能只有 manifest 声明约束，并不代表唯一实际安装版本。

技巧 3｜GitHub 分支保护迁移 Rulesets 时先 Evaluate，不要直接删旧规则

来源： GitHub，2026-10-20，原始公告。

一句话结论： 可以批量迁移经典 Branch Protection，但应先回归测试 Agent Bot 的权限和必需 CI 检查。

具体怎么做：

仓库进入 Settings → Rulesets → Import branch protection rules。
预览旧规则如何展开成新 Rulesets，核对 Required Reviews、Required Status Checks、分支匹配模式和 Bot Bypass。
先选择 Evaluate 验证匹配逻辑，再经管理员批准切换 Active；测试通过前保留旧分支保护。
在无害 PR 上分别模拟人类与 Agent Bot 的合并流程，确认双方权限满足预期。

适合什么场景： Copilot/Codex 自动 PR、企业多分支治理。注意： Rulesets 不是给 Agent 取消审查的工具，误配 Bypass 可能直接削弱 Merge Gate。

经典论文回顾

Observability-based Rules for Designing Consistent EKF SLAM Estimators（IJRR 2010）

发表时间与历史位置： Guoquan P. Huang、Anastasios I. Mourikis 与 Stergios I. Roumeliotis 的论文于 2009-12-11 首次在线发布，2010 年发表于 International Journal of Robotics Research 29(5):502–528。它奠定了后续 EKF-SLAM、VIO 关于可观测性一致性的重要理论基础。

核心问题。 真实 SLAM 在缺乏全局参考时存在不可观测的坐标规范自由度。标准 EKF 每个周期都使用最新估计重新线性化状态和观测模型，可能让线性化误差系统拥有比真实非线性系统更多的可观测方向。滤波器因此在没有新增信息的方向上缩小协方差，错误地表现得越来越自信。

算法模块和数学思想：

运动模型 + 测量模型
        ↓
分析非线性系统不可观测子空间
        ↓
选择不会引入虚假可观测性的线性化点
        ├─ OC-EKF：在可观测性约束下优化线性化点
        └─ FEJ-EKF：使用变量首次可用估计计算 Jacobian
        ↓
更一致的误差状态与协方差

传感器/动力学假设。 模型依赖正确的数据关联、观测噪声和运动方程。OC-EKF 解决的是不当线性化造成的信息虚增，并不能修复轮胎实际打滑、LiDAR 时钟失配或错误回环。

当年为何重要。 作者以理论、仿真和实验说明，估计器的低 RMSE 不一定意味着它的协方差可信；维护正确的不可观测子空间，是稳定融合传感器的重要基础。

今天仍使用的思想。 今天的 LIO/VIO 退化方向分析、FEJ、不变滤波和 Gauge Freedom 处理都延续了类似原则：没有物理观测支持的自由度，不应因为数值优化收敛就获得虚假置信度。本期轮足 LIO 通过 DAP 与方向相关轮观测协方差，属于在不同估计架构下处理这一原则的当代实践。

后来被替代/扩展的部分。 因子图平滑、滑窗 BA 和不变滤波在大规模问题中更具灵活性，但它们同样需要正确处理不可观测方向；单纯使用更强优化器不会凭空增加可观测性。

公开资料与可复现性： IJRR 原论文 DOI · 2008 年 FEJ 前序工作。原论文不是一键运行的现代 ROS2 工程。可在二维 EKF-SLAM 仿真中固定地图和噪声，对比标准 EKF 与 FEJ；主要指标为 RMSE、NEES、置信覆盖率、不可观测方向协方差和定位重置后的行为。

对当前工程的解读： 长走廊中间歇丢失横向或偏航观测时，先识别究竟缺少哪个方向的几何约束，再决定轮速、IMU、UWB 或主动运动如何补充，而不是无条件增加某个测量权重。

今日结论

今天多项研究都在处理不要对弱证据过度自信的问题。

CAOS-SLAM 让对象运动决定视觉特征的可信度；轮足 LIO 将激光退化和逐轮打滑纳入协方差；CoopUQ 使多机器人预报带有不确定性。Harpy 与 CusADi2 区分数学上可行的控制与在有限算力下能否及时求解。AeroDASH 区分生成时刻和真正执行时刻，拒绝让过期轨迹参与运动。

SWE-Residual 和 PACE 则把相同原则带进 Coding Agent：已有代码不意味着真实需求已经满足，局部测试通过也不意味着跨模块交付成功。Agent 应当使用独立可执行的验收证据，而不是大量无效过程文档。

本期结论：SLAM 要维护可观测性，控制要维护动力学和时间可行性，Coding Agent 要维护独立验证边界。

最值得深入研究或尝试复现的方向

动态 ORB-SLAM3 对照。 比较无过滤、语义过滤、跨帧对象运动过滤，统计静态点误删与跟踪失败。
轮足退化信息 Sidecar。 保存逐轮方向协方差、轮速创新量与 LiDAR 信息矩阵弱特征值；先 Shadow Mode 后进入正式估计。
多机器人预测栅格。 带时间戳、位姿协方差共享未来占据，比较协作/单机模式的风险校准与最小净空。
500 Hz QP 控制预算。 先比较核心 Solver 与完整感知—计算—执行链的 P99，再测试推力失效。
CusADi2 批量计算 A/B。 对同一个机器人测 64/256/1024/4096 batch 的 Jacobian/Hessian 延迟、GPU 同步及数值误差。
异步 UAV 轨迹管理。 先实现旧前缀丢弃、连续拼接、超时降级，再接入 VLA。
Agent 残留工作树评测。 同一需求比较 Clean Start 与已有错误半成品，测不完整修复率。
PRD 完整验收。 用少量跨模块真实测试取代“生成代码即完成”的评分。
Agent 依赖与权限。 在支持的企业环境试用 npm Firewall，结合 Dependabot 版本字段和 Rulesets Evaluate 验证。

参考资料

最新批次： arXiv Robotics · arXiv Software Engineering。

SLAM / 导航： CAOS-SLAM · Wheel Covariance LIO · CoopUQ · CoopUQ 项目。

控制 / 端侧： Harpy QP-MPC · CusADi2 · CusADi2 GitHub · AeroDASH。

AI Coding： SWE-Residual · PACE · PACE GitHub · Package Firewall · Dependabot API · Rulesets Migration。

经典论文： Observability-based Rules for Designing Consistent EKF SLAM Estimators。